一、研究背景與問題

• ?工業背景?：機械故障診斷對工業系統安全至關重要，但實際中故障樣本稀少，難以訓練傳統深度學習模型。
• ?現有問題?：
  • 當前少樣本學習（FSL）方法大多基于相關性而非因果關系建模，容易學習到偽相關特征，導致模型可解釋性差、泛化能力弱。
  • 跨組件故障診斷更具挑戰性：訓練（源組件）與測試（目標組件）數據來自不同機械部件，分布差異大且類別不重疊。

---

二、提出方法：CIRNet（Causal Intervention Relation Network）

CIRNet 是一個融合元學習與因果干預的少樣本故障診斷框架，主要包括三個模塊：

1. ?特征編碼模塊?

• 使用一維卷積神經網絡（1D-CNN）提取振動信號中的故障特征。
• 輸出支持集和查詢集樣本的特征表示。

2. ?因果干預模塊?

• ?核心貢獻?：引入因果理論，識別并消除元訓練階段先驗知識（D）作為